La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Prétraitement des données de Deep Learning

Gérer et prétraiter des données pour le Deep Learning

Le prétraitement des données est une première étape courante du workflow de Deep Learning pour préparer les données brutes dans un format acceptable par le réseau. Par exemple, vous pouvez redimensionner l’image en entrée pour correspondre à la taille de la couche d’entrée pour les images. Vous pouvez également prétraiter des données pour améliorer les caractéristiques souhaitées ou réduire les artefacts qui peuvent biaiser le réseau. Par exemple, vous pouvez normaliser ou supprimer le bruit des données d’entrée.

Vous pouvez prétraiter l'image en entrée avec des opérations comme le redimensionnement en utilisant des datastores et des fonctions disponibles dans MATLAB^® et Deep Learning Toolbox™. D’autres toolboxes MATLAB proposent des fonctions, des datastores et des applications de labélisation, de traitement et d’augmentation de données de Deep Learning. Utilisez des outils spécialisés d’autres toolboxes MATLAB pour traiter les données dans des domaines comme le traitement d’images, la détection d’objets, la segmentation sémantique, le traitement du signal, le traitement audio et l’analyse de texte.

Applications

Image Labeler	Label images for computer vision applications
Video Labeler	Label video for computer vision applications
Ground Truth Labeler	Label ground truth data for automated driving applications
Lidar Labeler	Label ground truth data in lidar point clouds (depuis R2020b)
Signal Labeler	Label signal attributes, regions, and points of interest, and extract features

Rubriques

Prétraiter des données de Deep Learning

Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
Create and Explore Datastore for Image Classification
This example shows how to create, read, and augment an image datastore for use in training a deep learning network.
Preprocess Images for Deep Learning
Learn how to resize images for training, prediction, and classification, and how to preprocess images using data augmentation, transformations, and specialized datastores.
Preprocess Volumes for Deep Learning
Read and preprocess volumetric image and label data for 3-D deep learning.
Preprocess Data for Domain-Specific Deep Learning Applications

Perform deterministic or randomized data processing for domains such as image processing, object detection, semantic segmentation, signal and audio processing, and text analytics.

Étiqueter des données d’apprentissage de vérité-terrain

Choose an App to Label Ground Truth Data
Decide which app to use to label ground truth data: Image Labeler, Video Labeler, Ground Truth Labeler, Lidar Labeler, Signal Labeler, or Medical Image Labeler.
Label Pixels for Semantic Segmentation (Computer Vision Toolbox)
Label pixels for training a semantic segmentation network by using a labeling app.
Get Started with Ground Truth Labelling (Automated Driving Toolbox)
Interactively label multiple lidar and video signals simultaneously.
Custom Labeling Functions (Signal Processing Toolbox)
Create and manage custom labeling functions.
Label Spoken Words in Audio Signals (Signal Processing Toolbox)
Use Signal Labeler to label spoken words in an audio signal.

Personnaliser des datastores

Datastores for Deep Learning
Learn how to use datastores in deep learning applications.
Prepare Datastore for Image-to-Image Regression
This example shows how to prepare a datastore for training an image-to-image regression network using the transform and combine functions of ImageDatastore.
Train Network Using Out-of-Memory Sequence Data
This example shows how to train a deep learning network on out-of-memory sequence data by transforming and combining datastores.
Classify Text Data Using Convolutional Neural Network
This example shows how to classify text data using a convolutional neural network.
Classify Out-of-Memory Text Data Using Deep Learning
This example shows how to classify out-of-memory text data with a deep learning network using a transformed datastore.